基于多尺度图卷积滤波的工业小样本故障诊断
人工智能
2024-05-31 v1
摘要
工业设备故障诊断常面临故障数据稀缺、运行条件复杂、故障类型多样等挑战。信号分析、数据统计学习和传统深度学习技术在这些条件下受到限制，因为它们需要大量数据且需要迁移学习来适应新的故障模式。为了在有限样本条件下有效利用信息并提取不同领域故障的内在特征，本文引入一种采用多尺度图卷积滤波（MSGCF）的故障诊断方法。MSGCF通过在图形卷积滤波块中集成局部和全局信息融合模块，增强了传统图神经网络（GNN）框架。这一进展有效缓解了图卷积层过度堆叠导致的过平滑问题，同时保持了宽感受野。它还降低了小样本诊断中的过拟合风险，从而增强了模型的表示能力。在帕德博恩大学轴承数据集（PU）上的实验表明，本文提出的MSGCF方法在准确性上优于其他方法，为小样本学习场景下的工业故障诊断提供了有价值的见解。
引用
@article{arxiv.2405.19642,
title = {Few-shot fault diagnosis based on multi-scale graph convolution filtering for industry},
author = {Mengjie Gan and Penglong Lian and Zhiheng Su and Jiyang Zhang and Jialong Huang and Benhao Wang and Jianxiao Zou and Shicai Fan},
journal= {arXiv preprint arXiv:2405.19642},
year = {2024}
}
备注
6 pages, 2 figures, 2 tables, 63rd IEEE Conference on Decision and Control